Visuelle Segmentierung und Labeling multivariater Zeitserien (VISSECT)

Die Identifikation schlüssiger Segmente und deren Kennzeichnung in multivariaten Zeitserien ist eine höchst relevante Aufgabe in vielen Anwendungsbereichen. Die Segmentierung ist die Identifizierung dieser zusammenhängenden Abschnitte innerhalb einer Zeitreihe, während der Prozess der Kennzeichnung die Benennung dieser Abschnitte beschreibt, zum Beispiel die Aktivitäten Wandern" und Laufen in menschlichen Bewegungsdaten. Ziel dieses Projektes ist die Verbesserung aktueller Segmentierungs- und Kennzeichnungsansätz, durch einen visuell-interaktiven Ansatz, der die Auswahl von Segmentierungs- und Kennzeichnungsalgorithmen, die Parametrisierung dieser Algorithmen und die visuelle Exploration verschiedener Arten von Unsicherheit miteinander integriert. Durch eine gemeinsame Systembasis, gemeinsame Datensätze und mit Hilfe von Aufgabenabstraktion bilden wir ein gemeinsames Fundament für dieses Projekt und stellen die Zusammenarbeit über die Laufzeit hinweg sicher. (a) Wir werden mit Hilfe von Visual-Analytics-Techniken die Auswahl von adäquaten Segmentierungs- und Kennzeichnungsalgorithmen und die Steuerung dieser Algorithmen untersuchen. Wichtige Aspekte sind dabei Methoden für eine fundierte und transparente Algorithmenauswahl und die interaktive Führung von Benutzer_innen hin zu dem bestgeeigneten Algorithmus für eine bestimmte Datenmenge. (b) Wir erleichtern die Parametrisierung dieser Algorithmen durch die Entwicklung von Visual-Analytics-Techniken für eine systematische Analyse des Parameterraums (mehrerer Parameter und großer Wertebereiche). (c) Zur Exploration und Kommunikation verschiedener Arten von Unsicherheit entwickeln wir geeignete visuelle Enkodierung und Visual-Analytics-Techniken zur Analyse und Bewertung dieser Unsicherheitstypen sowie zur Untersuchung alternativer Algorithmen und Parametrisierungen, aggregierte Unsicherheit wie auch Unsicherheiten über Ursachen und Wirkungen. Dieser innovative Ansatz erfordert eine umfassende horizontale und vertikale Evaluationsstrategie. Durch die horizontale Evaluation werden wir einzelne, im Rahmen des Projekts entwickelte Visualisierungs- und Interaktionsdesigns testen. In der vertikalen Evaluation werden wir eine summative Evaluation des gesamten Visual-Analytics-Ansatzes durchführen. Bisherige Ansätze betrachten jedes dieser Probleme separat. Jedoch kann erst die enge Integration aller drei Aspekte in unserem kombinierten Visual-Analytics-Ansatz zu einem verbesserten Ergebnis und einem tieferen Verständnis der Daten und des Datengenerierungsprozesses führen.

Das Ziel von VISSECT war es, neue Ansätze zur visuellen und interaktiven Unterstützung der Segmentierung und Beschriftung multivariater Zeitreihen (MVTS) durch Segmentierungs- und Beschriftungsalgorithmen (SLA) zu entwickeln, was in vielen Bereichen (wie Elektrokardiographen im medizinischen Bereich oder Human Motion Tracking) eine wichtige Aufgabe ist. Das Projektteam dieser deutsch-österreichischen Zusammenarbeit erforschte drei besondere Herausforderungen: die Algorithmusauswahl (TU Darmstadt), die Parametrisierung von Algorithmen (Universität Rostock) und die Unsicherheitsanalyse (TU Wien). Der innovative Ansatz von VISSECT bestand darin, diese drei Herausforderungen in einem gemeinsamen Forschungsansatz zu kombinieren. Ein wesentliches Ergebnis von VISSECT ist die Definition einer integrierten SLA-Pipeline für MVTS, die auf vier Entwurfszielen basiert. (1) die Pipeline kann auf verschiedene Anwendungsfälle angewandt werden. (2) sie unterstützt die Definition individueller algorithmischer Routinen, die für Daten, Benutzer*innen und Aufgaben spezifisch sind. (3) die Parameter können extern definiert werden. (4) VISSECT enthält explizit Konzepte zur systematischen Erfassung und Propagierung von Unsicherheitsinformationen mit den algorithmischen Routinen und Segmentierungsergebnissen. Die Hauptforschungsschwerpunkte waren: (1) die Weiterentwicklung der Forschung zur Algorithmenauswahl, zur interaktiven Koordination dieser Algorithmen und zu den Benutzer*innen-Workflows. Es ist nun möglich, SLA-Pipelines visuell und interaktiv zu erstellen und verschiedene überwachte und nicht überwachte Algorithmen auszuwählen, die analysiert werden können. (2) wurden ausgeklügelte Ansätze zur Untersuchung von Parametereinstellungen entworfen. Die daraus resultierende Korrelationsberechnung ist sehr flexibel und berücksichtigt beliebige Unterräume des Parameterraums. Die Parametereinfluss sind auf Bereichsebene abzuschätzen und unterstützen die Exploration des Parameterraums. (3) die Untersuchung der Unsicherheit, bei der mehrere Erkenntnisse identifiziert wurden. Es ist nun möglich, die Unsicherheit aus der Vorverarbeitung zu externalisieren, eine frühere Lücke in der Forschung über MVTS. Dieser erste Schritt führte zu einer besseren Quantifizierung und Bewertung der verschiedenen Unsicherheitsquellen: Wert-, Ergebnis-, Aggregations- und Ursache-Wirkungs-Unsicherheit, eine klare Struktur für die zukünftige Forschung zur Unsicherheit von MVTS. Dies hilft auch zu verstehen, wie verschiedene Quellen der Unsicherheit die SLA-Pipeline und die Visualisierung der Unsicherheit beeinflussen. Insgesamt konnte VISSECT signifikante Fortschritte bei jeder der drei Herausforderungen der Algorithmusauswahl, der Parametrisierung des SLA und der Unsicherheit durch ein gemeinsames Referenzsystem der SLA-Pipeline nachweisen. Alle Ergebnisse wurden auf renommierten Konferenzen veröffentlicht und stehen der breiteren VA-Gemeinschaft zur Verfügung. Weitere gemeinsame Initiativen sind geplant.